基于混合数据的证券客户聚类研究

发布时间：2023-11-26 14:22

　　在当今激烈竞争的商业环境中,客户已成为企业最重要的资产,谁把握了客户谁就拥有了市场。保持客户、吸引客户和充分发掘客户的盈收潜力是企业提高核心竞争力的关键。在证券行业也是如此。如何能更好地了解客户的特点和需求,设计满足客户需求的有效产品和服务,提高客户的收益和满意度,是证券业客户关系管理的关键所在。而客户细分策略就是他们赢得客户的最好基础。 数据挖掘技术是一种新的商业信息处理技术,能够帮助企业根据客户的内在和外在属性、及客户的消费行为特征对其分类,从而为不同类别的客户提供针对性的产品和服务。而聚类分析是该领域的核心技术和非常活跃的研究方向。聚类就是按照事物的属性特征把事物聚集成若干簇,使同一簇内的数据对象之间具有较高的相似性,而不同簇之间的数据对象相似度较低。 本文在对客户细分理论和聚类分析理论进行阐述的基础上,对传统的K-means算法在距离的计算和初始点的选择上进行了改进,然后利用证券客户数据进行了实证研究,聚类结果比较理想,而且计算时间大大缩减。在论文的最后还针对不同的证券客户给出不同的营销建议。

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 论文研究内容及框架
    1.4 研究方法、创新点及难点
        1.4.1 研究方法
        1.4.2 创新点
        1.4.3 难点
第二章 相关理论综述
    2.1 客户细分基本理论
        2.1.1 客户细分的产生与理论依据
        2.1.2 客户细分的目的与作用
        2.1.3 客户细分的方式
    2.2 数据挖掘基本理论
        2.2.1 数据挖掘概述
        2.2.2 数据挖掘过程
        2.2.3 数据挖掘基本方法
    2.3 聚类分析理论
        2.3.1 聚类分析概述
        2.3.2 将聚类算法应用于客户细分
第三章 数据预处理
    3.1 数据预处理概述
    3.2 证券客户数据预处理的原因
    3.3 数据预处理技术
        3.3.1 数据清洗
        3.3.2 数据集成
        3.3.3 数据转换
        3.3.4 数据规约
第四章 K-means聚类分析
    4.1 K-means算法
    4.2 对混合数据间距离的计算办法
        4.2.1 两个数据对象间距离的计算及改进
        4.2.2 数值型属性权重的求解
    4.3 两个混合型数据对象间的距离
    4.4 聚类中心的确定
        4.4.1 初始聚类中心的确定
        4.4.2 以后聚类中心的确定
    4.5 聚类过程
第五章 实证分析
    5.1 所用软件介绍
    5.2 数据的获取和数据预处理
    5.3 聚类分析
    5.4 实证结果分析
第六章 总结及展望
    6.1 总结
    6.2 研究的局限性和展望
参考文献



本文编号：3867948